申请/专利权人：南京农业大学

申请日：2023-08-09

公开（公告）日：2023-11-14

公开（公告）号：CN117056775A

主分类号：G06F18/24

分类号：G06F18/24;G01N21/31;G01N21/359;G01N21/3563;G06F18/214;G06F18/20;G06F18/22;G06F17/16;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.12.01#实质审查的生效;2023.11.14#公开

摘要：本发明提供了一种基于特征波段选择的多品种梨糖度协同预测方法，属于光谱分析领域。本发明采集多个品种梨的光谱数据作为训练样本，利用训练样本对1DGrad‑CAM模型进行训练，得到光谱各波段的Grad‑CAM值L，根据Grad‑CAM值L提取相同皮色梨的共有特征波段，构建多品种梨融合的糖度预测模型，减少了数据量和计算量，提升了对多品种预测的通用性、鲁棒性以及预测精度，在很大程度上节约了资源与时间，具有广阔的应用前景。本发明解决了在不同品种梨之间内外部特征变动、光谱反射强度及特征峰变化差异等影响下无法实现针对不同品种梨构建同一糖度预测模型的问题，减少了资源与时间耗费，提高了模型通用性。

主权项：1.一种基于特征波段选择的多品种梨糖度协同预测方法，其特征在于，包括如下过程：步骤1：构建单一品种卷积神经网络模型，训练权重参数，优化超参数，形成单一品种糖度预测一维卷积神经网络模型，输入测试集，输出最优的糖度预测值；步骤2：基于步骤1输出的糖度预测值，计算不同品种梨光谱数据的梯度加权类激活映射Gradient-weightedClassActivationMapping，Grad-CAM值L，即LGrad-CAM，根据不同的LGrad-CAM创建不同光谱的Grad-CAM热力图；步骤3：按照特定的LGrad-CAM范围，在原始光谱图中选择符合要求的光谱特征波段，构建基于一维梯度加权类激活映射One-dimensionalGradient-weightedClassActivationMapping，1DGrad-CAM光谱特征提取的皮色相近品种梨糖度协同预测模型，即多品种卷积神经网络模型；训练多品种卷积神经网络模型权重参数，并优化其超参数，保存最优多品种卷积神经网络模型，分别输入每个品种梨的测试集，输出不同品种梨的糖度预测值。

全文数据：

权利要求：

百度查询： 南京农业大学 一种基于特征波段选择的多品种梨糖度协同预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD